Die KI-Suche spaltet sich in zwei: Antwortmaschinen und Assistenten

Eine stille Spaltung ist im letzten Jahr offensichtlich geworden: Die Tools, die vage als „KI-Suche“ bezeichnet werden, sind zu zwei Produkten mit unterschiedlichen Verhaltensweisen, Zitierungen und Optimierungs-Playbooks auseinandergegangen. Marken, die beide wie einen einzelnen Kanal messen, ziehen aus ihren eigenen Daten falsche Schlüsse.

Die beiden Oberflächen

Antwortmaschinen — Google AI Overviews, Perplexity und ähnliche Tools — verhalten sich wie eine über die Suche gelegte Retrieval-Schicht. Der Nutzer stellt eine Frage, die Engine ruft Dokumente ab, und die Antwort kommt mit sichtbaren Zitierungen. Die Zitatliste ist die neue Seite eins, auf ihr zu fehlen ist die neue Seite zwei.

Assistenten — ChatGPT, Gemini, Claude, Copilot in ihren Konversationsmodi — verhalten sich wie Berater. Sie stützen sich stärker auf Trainingswissen und weniger auf Live-Retrieval, Zitierungen fehlen oft oder sind vage, und Empfehlungen entstehen als Vorauswahlen („Was sind die besten Tools für X?“). Es gibt keine Zitatliste zu erobern, sondern eine Vorauswahl, in die man sich spielen muss.

Das Ganze in Zahlen

Die Spaltung geschieht, während sich die der Suche zugrunde liegende Klickökonomie zusammenzieht. Der Datensatz des Pew Research Center vom März 2025 — 68 879 Google-Suchen von 900 erwachsenen US-Amerikanern — zeigt, dass 18 % der Suchen eine KI-Zusammenfassung erzeugten; auf diesen Seiten klickten Nutzer zu 8 % auf ein klassisches Ergebnis, gegenüber 15 % auf Seiten ohne Zusammenfassung, und auf eine Quelle innerhalb der Zusammenfassung selbst klickten sie in lediglich 1 % der Fälle [1]. Die Ahrefs-Analyse über 300 000 Keywords beziffert den Klickverlust der ersten Position durch AI Overviews auf 34,5 % im April 2025, gestiegen auf rund 58 % im Dezember 2025 [2]. Parallel dazu zeigt die Ahrefs-Studie zu 75 000 Marken, dass Web-Erwähnungen von Marken mit 0,664 mit der Präsenz in AI Overviews korrelierten — eine stärkere Assoziation als Backlinks [3]. Die Aufmerksamkeit wandert auf beiden Oberflächen zugleich in die Antwortebene — genau deshalb muss man sie getrennt messen statt mitteln.

Warum die Spaltung zählt

• Verschiedene Fehlermodi. Auf Antwortmaschinen lässt sich die Sichtbarkeit reparieren, indem man einzelne Seiten in Ordnung bringt — extrahierbare Aussagen, Entitäten-Klarheit, belegte Fakten. Bei Assistenten hängt die Sichtbarkeit stärker davon ab, wie die Marke im Korpus beschrieben wird, aus dem das Modell gelernt hat — breit und konsistent.
• Verschiedene Zeithorizonte. Seitenkorrekturen bewegen die Zitierungen von Antwortmaschinen in Tagen oder Wochen. Das Verhalten von Assistenten ändert sich langsamer, weil es der Beschreibung Ihrer Marke durch das gesamte Web folgt, nicht einer einzelnen Seite.
• Verschiedene Messgrößen. Sichtbarkeit auf Antwortmaschinen ist Prompt für Prompt auditierbar: welche Quellen zitiert wurden. Sichtbarkeit bei Assistenten erfordert die Wiederholung desselben Prompts, weil Vorauswahlen je nach Sitzung und Modell-Updates variieren.

Was wir in den Tracking-Daten sehen

Das gleiche, auf Käufer kalibrierte Prompt-Set auf beiden Oberflächen auszuführen, macht die Spaltung messbar. Drei Muster wiederholen sich regelmäßig:

1. Marken, die in AI Overviews konstant zitiert werden, fehlen bei derselben Frage oft in den Vorauswahlen der Assistenten — und umgekehrt. Die beiden Werte korrelieren, sie sind nicht identisch.
2. Die Vorauswahlen der Assistenten begünstigen Marken, deren klare Kategorie-Einordnung von vielen unabhängigen Quellen wiederholt wird. „Was es ist“ muss eindeutig sein, bevor „wie gut es ist“ zählt.
3. Die Position zählt auf beiden Oberflächen. Eine Erwähnung im ersten Satz einer Antwort ist viel mehr wert als eine im letzten Absatz — mit oder ohne angezeigte Zitierungen.

Das praktische Fazit

Berichten Sie „KI-Sichtbarkeit“ nicht länger als eine einzige Kennzahl. Verfolgen Sie die Zitierungen der Antwortmaschinen und die Erwähnungen der Assistenten als zwei getrennte Trends — mit eigenen Prompt-Sets und eigenen Verbesserungs-Backlogs. Die Content-Arbeit überschneidet sich — klare Aussagen und konsistente Entitätenbeschreibungen helfen beiden —, aber die Messung lässt sich nicht zusammenführen, weil die Oberflächen aus unterschiedlichen Gründen scheitern.

Wenn Sie heute sehen möchten, wie sich Ihre Marke auf die beiden Oberflächen verteilt, rapportiert der kostenlose Referenz-Scan von Novaxilabs sie getrennt, Engine für Engine, mit den jeweils verwendeten Prompts.

Referenzen

1. Pew Research Center, „Google users are less likely to click on links when an AI summary appears in the results“, Juli 2025. pewresearch.org
2. Ahrefs, „AI Overviews Reduce Clicks by 34.5%“ (April 2025) und Update von Dezember 2025. ahrefs.com/blog/ai-overviews-reduce-clicks
3. Ahrefs, „An Analysis of AI Overview Brand Visibility Factors (75K Brands Studied)“, 2025. ahrefs.com/blog